Vorhersage einer strukturellen Epilepsie bei Hunden

Projekttitel: Vorhersage einer strukturellen Epilepsie bei Hunden

Projektdauer: 2021 – 2025

Forschungsbereich: Biowissenschaft und Medizin, Veterinärmedizin

Die Bestimmung der Epilepsieform bei Hunden ist selbst für erfahrene Tierärzt:innen eine komplexe Aufgabe. Diagnosen basieren oft eher auf klinischer Intuition als auf objektiven Kriterien. Obwohl bei der Untersuchung zahlreiche Parameter (~75 Merkmale) erfasst werden, bleibt unklar, welche davon für die Diagnose tatsächlich relevant sind.

Ziel dieses Projekts ist es, mithilfe von maschinellem Lernen die aussagekräftigsten Merkmale zu identifizieren und verschiedene Epilepsietypen genau zu klassifizieren. Durch die Bereitstellung probabilistischer Vorhersagen soll das System Veterenärmediziner:innen eine objektive, datengestützte Entscheidungsfindung ermöglichen.

Ziele

• Ermittlung relevanter klinischer Merkmale bei Hunden mit Anfällen

• Klassifizierung von Epilepsietypen anhand dieser Merkmale

• Bereitstellung reproduzierbarer, objektiver Prognosen

• Unterstützung der klinischen Entscheidungsfindung

• Ermöglichung der Integration in die tierärztliche Routinepraxis

Das übergeordnete Ziel dieser Studie ist es, mithilfe von maschinellem Lernen das Risiko einer strukturellen Epilepsie bei Hunden mit Anfällen vorherzusagen.

Problemstellung

Das klinische Denken in der Veterinärmedizin stützt sich häufig auf die persönliche Erfahrung der Behandelnden und auf Verallgemeinerungen aus veröffentlichten Studien zu Patientenkohorten. Wissenschaftliche Ansätze, die eine individualisierte, datengestützte Entscheidungsfindung ermöglichen, werden jedoch nach wie vor zu wenig genutzt.

Diese Lücke zeigt sich besonders deutlich bei der Vorhersage der zugrunde liegenden Ursache von Krampfanfällen bei einzelnen Hunden. Es besteht ein klarer Bedarf an Instrumenten, die eine deterministischere und reproduzierbarere Diagnose ermöglichen.

Technologie

• Datenvorverarbeitung
• Merkmalsauswahl
• Klassifizierung mit Random Forests
• Bayes’sche Netzwerke

Ausblick

Um die Verallgemeinerbarkeit und klinische Relevanz sicherzustellen, ist eine weitere Validierung des Modells anhand von Daten externer Tierkliniken geplant. Zukünftige Forschungsarbeiten könnten auf weitere Arten neurologischer Erkrankungen ausgeweitet werden und die Integration von Bildgebungsdaten (z. B. MRT- oder CT-Aufnahmen) untersuchen, um die diagnostische Genauigkeit zu verbessern.

Derzeit wird ein „Living Lab“-Demonstrator in Form einer Webanwendung entwickelt, um den Ansatz in einem praktischen, interaktiven Format zu veranschaulichen.

Publikationen

• Flegel T, Neumann A, Holst A-L, Kretzschmann O, Loderstedt S, Tästensen C, Gutmann S, Dietzel J, Becker LF, Kalliwoda T, Weiß V, Kowarik M, Böttcher IC and Martin C (2024) Machine learning algorithms predict canine structural epilepsy with high accuracy. Front. Vet. Sci. 11:1406107.
  • doi: 10.3389/fvets.2024.1406107

Team

Teamleitung

• Dr. Christian Martin (Database Group Leipzig – ScaDS.AI Dresden/Leipzig)

Teammitglieder

• Anja Neumann (Applied AI and Big Data – ScaDS.AI Dresden/Leipzig)
• Prof. Thomas Flegel (Kleintierklinik Universität Leipzig)

Finanzierung

• Bundesministerium für Forschung, Technologie und Raumfahrt; Freistaat Sachsen